jsoup选择器来抓取网页中的数据

JSOUP是一个没有界面的浏览器，用于分析和抓取网络html数据

使用他需要相关jar包，下载链接：http://pan.baidu.com/s/1sjuLGC1

例子：抓取http://www.ifanr.com/网页中指定规则新闻链接和标题

1.找到关键字<div class="entry-header">层下面的子标签<span>的属性数据就是想要的

try {Document doc = Jsoup.connect("http://www.ifanr.com/").get();Elements links = doc.select("div.entry-header");for (Element e : links) {Elements elements = e.select("span.number").select("a[href]");for (Element element : elements) {element.attr("href");element.attr("title").replace("Comment on ", "");getNewsDate(element.attr("href"));}}} catch (Exception e) {e.printStackTrace();}

2.抓取一个网页数据还不够，还需要该网站分页的数据，那就需要知道该网站有多少页数，这里是选择器

• [attr=value]：带有属性值的元素，例如[width=500]   用法

<span style="white-space:pre"></span>String html = null;int total = 0;Document doc = Jsoup.connect("http://www.ifanr.com/").get();Elements links = doc.select("div.content-nav");for (Element e : links) {for(Element ent :e.select("[title=跳转到最后一页]")){html = ent.attr("href");break;}}if(html!=null&&html.length()>0){int index = html.indexOf("http://www.ifanr.com/page/");if(index!=-1&&index<html.length()){try {total = Integer.parseInt(html.substring(index,html.length()));} catch (NumberFormatException e1) {total = 822;}}}

3.相关选择器API介绍

问题

采用CSS或类似jquery 选择器（selector）语法来处理HTML文档中的数据。

方法

利用方法：Element.select(String selector)和Elements.select(String selector)。

File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
Elements links = doc.select("a[href]"); // a with href
Elements pngs = doc.select("img[src$=.png]");  // img with src ending .png
Element masthead = doc.select("div.masthead").first();
  // div with class=masthead
Elements resultLinks = doc.select("h3.r > a"); // direct a after h3

描述

Jsoup的元素支持类似CSS或（jquery）的选择器语法的查找匹配的元素，可实现功能强大且鲁棒性好的查询。

jsoup elements support a CSS(or jquery) like selector syntax to find matching elements, that allows very powerful and robust queries.

Select方法可作用于Document、Element或Elements，且是上下文相关的，因此可实现指定元素的过滤，或者链式选择访问。

The selectmethod is available in a Document, Element, or in Elements. It is contextual, so you can filter by selecting from a specific element, or by chaining select calls.

选择（操作）返回元素列表（Elements），并提供一组方法来提取或处理结果。

Select returns a list of Elements (as Elements), which provides a range of methods to extract and manipulate the results.

选择器概要（Selector overview）

• Tagname：通过标签查找元素（例如：a）
• ns|tag：通过标签在命名空间查找元素，例如：fb|name查找<fb:name>元素
• #id：通过ID查找元素，例如#logo
• .class：通过类型名称查找元素，例如.masthead
• [attribute]：带有属性的元素，例如[href]
• [^attr]：带有名称前缀的元素，例如[^data-]查找HTML5带有数据集（dataset）属性的元素
• [attr=value]：带有属性值的元素，例如[width=500]
• [attr^=value]，[attr$=value]，[attr*=value]：包含属性且其值以value开头、结尾或包含value的元素，例如[href*=/path/]
• [attr~=regex]：属性值满足正则表达式的元素，例如img[src~=(?i)\.(png|jpe?g)]
• *：所有元素，例如*

选择器组合方法

• el#id:：带有ID的元素ID，例如div#logo
• el.class：带类型的元素，例如. div.masthead
• el[attr]：包含属性的元素，例如a[href]
• 任意组合：例如a[href].highlight
• ancestor child：继承自某祖（父）元素的子元素，例如.body p查找“body”块下的p元素
• parent > child：直接为父元素后代的子元素，例如: div.content > pf查找p元素，body > * 查找body元素的直系子元素
• siblingA + siblingB：查找由同级元素A前导的同级元素，例如div.head + div
• siblingA ~ siblingX：查找同级元素A前导的同级元素X例如h1 ~ p
• el, el, el：多个选择器组合，查找匹配任一选择器的唯一元素，例如div.masthead, div.logo

伪选择器（Pseudo selectors）

• :lt(n)：查找索引值（即DOM树中相对于其父元素的位置）小于n的同级元素，例如td:lt(3)
• :gt(n)：查找查找索引值大于n的同级元素，例如div p:gt(2)
• :eq(n) ：查找索引值等于n的同级元素，例如form input:eq(1)
• :has(seletor)：查找匹配选择器包含元素的元素，例如div:has(p)
• :not(selector)：查找不匹配选择器的元素，例如div:not(.logo)
• :contains(text)：查找包含给定文本的元素，大小写铭感，例如p:contains(jsoup)
• :containsOwn(text)：查找直接包含给定文本的元素
• :matches(regex)：查找其文本匹配指定的正则表达式的元素，例如div:matches((?i)login)
• :matchesOwn(regex)：查找其自身文本匹配指定的正则表达式的元素
• 注意：上述伪选择器是0-基数的，亦即第一个元素索引值为0，第二个元素index为1等

详见SelectorAPI 参考资料所列全部信息和细节。

【原文】http://jsoup.org/cookbook/extracting-data/selector-syntax

示例完整代码

import java.io.IOException;import java.util.List;import org.jsoup.Jsoup;import org.jsoup.nodes.DataNode;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.select.Elements;public class Main {/** * @param args */public static void main(String[] args) {getNews("http://www.ifanr.com/");//p(getNewsDate("http://www.ifanr.com/462705"));}static int currentPage = 0;static String pageUrl = "http://www.ifanr.com/page/";static int totalPage = -1;public static void getNews(String url){currentPage++;try {Document doc = Jsoup.connect(url).get();if(totalPage==-1){totalPage = getTotalPageNo(doc);}Elements links = doc.select("div.entry-header");int index = 0;for (Element e : links) {Elements elements = e.select("span.number").select("a[href]");for (Element element : elements) {p(element.attr("href"));p(element.attr("title").replace("Comment on ", ""));p(getNewsDate(element.attr("href")));}index++;}while(currentPage<totalPage){getNews(pageUrl+currentPage);}} catch (Exception e) {e.printStackTrace();}}/** * 获取www.ifanr.com的新闻总页数http://www.ifanr.com/page/2 * @param doc * @return */public static int getTotalPageNo(Document doc){String html = null;int total = 822;Elements links = doc.select("div.content-nav");for (Element e : links) {for(Element ent :e.select("[title=跳转到最后一页]")){html = ent.attr("href");break;}}if(html!=null&&html.length()>0){int index = html.indexOf("http://www.ifanr.com/page/");if(index!=-1&&index<html.length()){try {total = Integer.parseInt(html.substring(index,html.length()));} catch (NumberFormatException e1) {total = 822;}}}return total;}/** * 获取新闻发布时间 * 20141023184715 * @param url * @return */public static long getNewsDate(String url){String dateStr = null;long date = 0;try {Document doc = Jsoup.connect(url).get();Elements links =  doc.select("meta").select("[name=weibo: article:create_at]");for (Element e : links) {dateStr = e.attr("content").replace("-", "").replace(" ", "").replace(":", "");}} catch (IOException e) {e.printStackTrace();}if(dateStr!=null){date = Long.parseLong(dateStr);}return date;}public static void p(Object o) {System.out.println(o);}}